Node.js 4493图片批量下载爬虫1.00

Posted 2020-10-15

这个爬虫依然需要iconv转码，想不到如今非utf8的网页还这么多。另外此网页找下一页的方式比较异常，又再次借助了正则表达式。

代码如下：

//======================================================
// 4493图片批量下载爬虫1.00
// 2017年11月19日
//======================================================

// 内置https模块
var https=require("https");

// 内置http模块
var http=require("http");

// 内置文件处理模块，用于创建目录和图片文件
var fs=require(‘fs‘);

// 用于转码。非Utf8的网页如gb2132会有乱码问题，需要iconv将其转码
var iconv = require(‘iconv-lite‘);

// cheerio模块，提供了类似jQuery的功能，用于从html code中查找图片地址和下一页
var cheerio = require("cheerio");

// 请求参数JSON。http和https都有使用
var options;

// request请求
var req;

// 图片数组，找到的图片地址会放到这里
var pictures=[];

// 存放图片的目录
var folder="";

//--------------------------------------
// 爬取网页，找图片地址，再爬
// pageUrl sample:https://www.4493.com/xingganmote/136346/1.htm
// pageUrl sample:
//--------------------------------------
function crawl(pageUrl){
    console.log("Current page="+pageUrl);

    // 得到hostname和path
    var currUrl=pageUrl.replace("https://","");
    var pos=currUrl.indexOf("/");
    var hostname=currUrl.slice(0,pos);        
    var path=currUrl.slice(pos);    
    //console.log("hostname="+hostname);
    //console.log("path="+path);
    
    // 初始化options  
    options={
        hostname:hostname,
            port:443,
            path:path,// 子路径
          method:‘GET‘,        
    };

    req=https.request(options,function(resp){
        var html = [];

        resp.on("data", function(data) {
            html.push(data);
        })
        resp.on("end", function() {
            var buffer = Buffer.concat(html);
            var body = iconv.decode(buffer,‘gb2312‘); // header里面有<meta http-equiv="Content-Type" content="text/html; charset=gb2312">字样都需要iconv帮忙转码
            //console.log(body);
            
            var $ = cheerio.load(body);        
            var picCount=0;

            // 找图片放入数组
            $(".picsbox  p img").each(function(index,element){
                var picUrl=$(element).attr("src");
                console.log(picUrl);

                if(picUrl.indexOf(‘.jpg‘)!=-1){
                    pictures.push(picUrl); 
                    picCount++;
                } 
            })   
            console.log("找到图片"+picCount+"张.");                
            
            var curr=0;
            $(".page a.current").each(function(index,element){
                var text=$(element).text();
                curr=parseInt(text);
                //console.log("curr="+curr);
            })

            var next=0;
            $("#nextpage").each(function(index,element){
                var text=$(element).attr("href");
                
                var reg=/javascript:gotourl[(]‘(\\d+).htm‘[)]/g;
                var res;
                while((res = reg.exec(text)) != null){
                    next=parseInt(res[1]);
                    //console.log("next="+next);                    
                }   
            })

            var nextPageUrl=null;
            if(curr!=next){
                var pos=pageUrl.lastIndexOf("/");
                nextPageUrl= pageUrl.slice(0,pos+1)+next+".htm";
                //console.log("nextPageUrl="+nextPageUrl);
            }
            // 找下一页

            if(nextPageUrl==null){
                console.log(pageUrl+"已经是最后一页了.\\n");
                saveFile(pageUrl,pictures);// 保存
                download(pictures);
            }else{
                console.log("继续下一页");
                crawl(nextPageUrl);
            }
            
        }).on("error", function() {
            saveFile(pageUrl,pictures);// 保存
            console.log("crawl函数失败,请进入断点续传模式继续进行");
        })
    });

    // 超时处理
    req.setTimeout(7500,function(){
        req.abort();
    });

    // 出错处理
    req.on(‘error‘,function(err){
        console.log(‘请求发生错误‘+err);  
        saveFile(pageUrl,pictures);// 保存
        console.log("crawl函数失败,请进入断点续传模式继续进行");
    });

    // 请求结束
    req.end();
}

//--------------------------------------
// 下载图片
//--------------------------------------
function download(pictures){

    var total=0;
    total=pictures.length;
    console.log("总计有"+total+"张图片将被下载.");
    appendToLogfile(folder,"总计有"+total+"张图片将被下载.\\n");
    for(var i=0;i<pictures.length;i++){
        var picUrl=pictures[i];
        downloadPic(picUrl,folder);
    }
}

//--------------------------------------
// 写log文件
//--------------------------------------
function appendToLogfile(folder,text){
    fs.appendFile(‘./‘+folder+‘/log.txt‘, text, function (err) {
        if(err){
            console.log("不能书写log文件");
            console.log(err);
        }
    });
}

//--------------------------------------
// 取得当前时间
//--------------------------------------
function getNowFormatDate() {
    var date = new Date();
    var seperator1 = "-";
    var seperator2 = "_";
    var month = date.getMonth() + 1;
    var strDate = date.getDate();
    if (month >= 1 && month <= 9) {
        month = "0" + month;
    }
    if (strDate >= 0 && strDate <= 9) {
        strDate = "0" + strDate;
    }
    var currentdate =date.getFullYear() + seperator1 + month + seperator1 + strDate
            + " " + date.getHours() + seperator2 + date.getMinutes()
            + seperator2 + date.getSeconds();
    return currentdate;
}

//--------------------------------------
// 下载单张图片
// picUrl sample:http://img.1985t.com/uploads/attaches/2017/11/136398-mrani71.jpg
//--------------------------------------
function downloadPic(picUrl,folder){
    console.log("图片:"+picUrl+"下载开始");

    // 得到hostname，path和port
    var currUrl=picUrl.replace("http://","");
    var pos=currUrl.indexOf("/");
    var hostname=currUrl.slice(0,pos);        
    var path=currUrl.slice(pos);

    // 有端口加端口，没有端口默认80
    var port=80;

    //console.log("hostname="+hostname);
    //console.log("path="+path);
    //console.log("port="+port);

    var picName=currUrl.slice(currUrl.lastIndexOf("/"));
    
    // 初始化options  
    options={
        hostname:hostname,
            port:port,
            path:path,
          method:‘GET‘,
    };

    req=http.request(options,function(resp){
        var imgData = "";
        resp.setEncoding("binary"); 

        resp.on(‘data‘,function(chunk){
            imgData+=chunk;            
        });

        resp.on(‘end‘,function(){        

            // 创建文件
            var fileName="./"+folder+picName;
            fs.writeFile(fileName, imgData, "binary", function(err){
                if(err){
                    console.log("[downloadPic]文件   "+fileName+"  下载失败.");
                    console.log(err);
                    appendToLogfile(folder,"文件  "+picUrl+"  下载失败.\\n");
                }else{
                    appendToLogfile(folder,"文件  "+picUrl+"  下载成功.\\n");
                    console.log("文件"+fileName+"下载成功");
                }
            });    
        });
    });

    // 超时处理
    req.setTimeout(7500,function(){
        req.abort();
    });

    // 出错处理
    req.on(‘error‘,function(err){
        if(err){
            console.log(‘[downloadPic]文件   ‘+picUrl+"  下载失败,"+‘因为‘+err);
            appendToLogfile(folder,"文件"+picUrl+"下载失败.\\n");
        }
    });

    // 请求结束
    req.end();
}

//--------------------------------------
// 程序入口 
//--------------------------------------
function getInput(){
    process.stdin.resume();    
    process.stdout.write("\\033[33m 新建模式输入第一页URL，断点续传模式输入0，请输入: \\033[39m");// 草黄色
    process.stdin.setEncoding(‘utf8‘);
    
    process.stdin.on(‘data‘,function(text){
        var input=text.trim();
        process.stdin.end();// 退出输入状态    

        if(text.trim()==‘0‘){
            process.stdout.write("\\033[36m 进入断点续传模式. \\033[39m");    // 蓝绿色

            // Read File
            fs.readFile(‘./save.dat‘,‘utf8‘,function(err,data){
                if(err){
                    console.log(‘读取文件save.dat失败,因为‘+err);
                }else{
                    //console.log(data);
                    var obj=JSON.parse(data);

                    pictures=obj.pictures;
                    console.log(‘提取图片‘+pictures.length+‘张‘);

                    folder=obj.folder;

                    // 创建目录
                    fs.mkdir(‘./‘+folder,function(err){
                        if(err){
                            console.log("目录"+folder+"已经存在");
                        }
                    });

                    crawl(obj.url);        
                }
            });
            
            // Resume crawl
        }else{
            process.stdout.write("\\033[35m 进入新建模式. \\033[039m");    //紫色

            folder=‘pictures(‘+getNowFormatDate()+")";
            // 创建目录
            fs.mkdir(‘./‘+folder,function(err){
                if(err){
                    console.log("目录"+folder+"已经存在");
                }
            });

            crawl(input);            
        }
    });    
}

//--------------------------------------
// 将爬行中信息存入数据文件
//--------------------------------------
function saveFile(url,pictures){
    var obj=new Object;
    obj.url=url;
    obj.pictures=pictures;
    obj.folder=folder;
    var text=JSON.stringify(obj);

    fs.writeFile(‘./save.dat‘,text,function(err){
        if(err){
            console.log(‘写入文件save.dat失败,因为‘+err);
        }
    });
}

// 调用getInput函数，程序开始
getInput();

附个运行时控制台贴图：